历史 - FaceBook开发的小历史
版本 - 对应python版本
安装 - 安装PyTorch
环境搭建 - 安装方式 - CPU 和 GPU 版本选择
环境搭建 - 虚拟环境 - 使用 conda 或 venv 创建
环境搭建 - 验证安装 - 测试 PyTorch 是否可用
方法汇总
基本概念 - 张量 - 张量的定义与属性
基本概念 - 张量 - 张量的创建方法
基本概念 - 自动求导 - autograd 原理与使用
基本概念 - 计算图 - 动态计算图机制
基本语法 - 张量操作 - 索引、切片与变形
基本语法 - 张量操作 - 数学运算与广播机制
基本语法 - 设备管理 - 张量在 CPU 和 GPU 间移动
基本语法 - 随机数生成 - 生成随机张量
数据类型 - 数值类型 - 整数、浮点数张量
数据类型 - 布尔类型 - 布尔张量的应用
数据读取 - 图像数据 - 使用 torchvision 读取图像
数据读取 - 文本数据 - 读取与处理文本文件
数据读取 - 自定义数据集 - 构建自定义数据集类
数据预处理 - 图像预处理 - 缩放、裁剪与归一化
数据预处理 - 文本预处理 - 分词、编码操作
数据增强 - 图像增强 - 旋转、翻转等操作
数据增强 - 文本增强 - 同义词替换等方法
数据加载 - DataLoader - 批量加载数据
数据加载 - 多线程加载 - 提高数据加载效率
数据划分 - 训练集与测试集 - 合理划分数据
数据划分 - 验证集 - 用于模型评估与调优
模型基础 - 模块类 - nn.Module 的使用
模型基础 - 层的定义 - 全连接层、卷积层等
模型构建方式 - 顺序模型 - 按顺序堆叠层
模型构建方式 - 函数式构建 - 灵活定义模型
模型构建方式 - 子类化模型 - 自定义模型类
损失函数 - 分类损失 - 交叉熵损失函数
损失函数 - 回归损失 - 均方误差损失函数
损失函数 - 自定义损失 - 构建自定义损失函数
优化器 - 梯度下降 - 基本梯度下降算法
优化器 - 自适应优化器 - Adam、RMSprop 等
评估指标 - 分类指标 - 准确率、召回率等
评估指标 - 回归指标 - 均方根误差等
神经网络基础 - 神经元模型 - 模拟生物神经元
神经网络基础 - 激活函数 - ReLU、Sigmoid 等
多层感知机 - 结构特点 - 全连接网络结构
多层感知机 - 训练过程 - 前向传播与反向传播
卷积神经网络 - 卷积层 - 卷积操作原理
卷积神经网络 - 池化层 - 最大池化与平均池化
卷积神经网络 - 经典架构 - LeNet、AlexNet 等
循环神经网络 - 基本结构 - 处理序列数据
循环神经网络 - 长短期记忆网络 - LSTM 原理
循环神经网络 - 门控循环单元 - GRU 的优势
生成对抗网络 - 生成器与判别器 - 对抗训练机制
生成对抗网络 - 应用场景 - 图像生成等领域
训练流程 - 模型初始化 - 初始化模型参数
训练流程 - 前向传播 - 计算模型输出
训练流程 - 损失计算 - 计算损失值
训练流程 - 反向传播 - 计算梯度
训练流程 - 参数更新 - 使用优化器更新参数
过拟合与欠拟合 - 过拟合现象 - 表现与原因
过拟合与欠拟合 - 欠拟合现象 - 解决方法
正则化方法 - L1 和 L2 正则化 - 防止过拟合
正则化方法 - Dropout - 随机丢弃神经元
超参数调优 - 手动调优 - 调整学习率等
超参数调优 - 自动化调优 - 使用工具搜索参数
模型保存 - 保存格式 - 保存为.pth 或.pt 文件
模型保存 - 保存内容 - 权重、架构等
模型加载 - 加载已保存模型 - 恢复训练状态
模型部署 - 本地部署 - 在本地环境运行模型
模型部署 - 云服务部署 - 使用云计算平台
模型部署 - 移动端部署 - 在移动设备上运行
TensorBoard - 功能介绍 - 可视化训练过程
TensorBoard - 指标可视化 - 损失、准确率等展示
TensorBoard - 模型结构可视化 - 查看网络架构
Matplotlib - 数据可视化 - 绘制图像、曲线等
Matplotlib - 模型评估可视化 - 绘制混淆矩阵等
分布式训练基础 - 概念与优势 - 提高训练效率
分布式训练基础 - 策略选择 - 数据并行与模型并行
单机多 GPU 训练 - 数据并行 - 数据分割训练
单机多 GPU 训练 - 模型并行 - 模型分割训练
多机多 GPU 训练 - 集群配置 - 搭建分布式集群
多机多 GPU 训练 - 通信协议 - 使用 gRPC 等协议
强化学习基础 - 基本概念 - 智能体与环境交互
强化学习基础 - 马尔可夫决策过程 - MDP 原理
策略梯度算法 - REINFORCE - 基于策略的学习
策略梯度算法 - Actor - Critic - 结合价值与策略
Q - learning 算法 - 原理与实现 - 基于价值学习
Q - learning 算法 - 深度 Q 网络 - DQN 的改进
强化学习应用 - 游戏领域 - 训练智能体玩游戏
强化学习应用 - 机器人控制 - 控制机器人行动
NLP 基础 - 文本表示 - 词向量与词嵌入技术
NLP 基础 - 语言模型 - 统计语言模型原理
文本分类 - 传统方法 - 基于机器学习分类
文本分类 - 深度学习方法 - 使用 RNN、CNN 分类
情感分析 - 数据预处理 - 文本清洗与标注
情感分析 - 模型构建 - 训练情感分类模型
机器翻译 - 序列到序列模型 - Seq2Seq 原理
机器翻译 - 注意力机制 - 增强翻译效果
问答系统 - 知识图谱 - 构建问答知识基础
问答系统 - 模型实现 - 实现问答交互功能
图像分类 - 数据准备 - 收集与标注图像数据
图像分类 - 模型训练 - 训练分类模型流程
目标检测 - 基本概念 - 检测图像中目标位置
目标检测 - 经典算法 - YOLO、Faster R CNN 等
语义分割 - 任务定义 - 对图像像素分类
语义分割 - 模型架构 - U Net、Mask R CNN 等
图像生成 - 自动编码器 - 图像特征提取与重构
图像生成 - 变分自动编码器 - VAE 原理与应用
人脸识别 - 特征提取 - 提取人脸特征方法
人脸识别 - 模型训练 - 训练人脸识别模型
音频基础 - 音频数据表示 - 波形与频谱特征
音频基础 - 音频文件格式 - WAV、MP3 等解析
语音识别 - 声学模型 - 识别语音信号
语音识别 - 语言模型 - 处理语音文本
语音合成 - 文本到语音 - TTS 技术原理
语音合成 - 合成模型 - 训练合成语音模型
音频分类 - 特征提取 - 提取音频特征向量
音频分类 - 模型训练 - 训练音频分类模型
FacebookTorch7CaffePyTorch+Caffe2（集成了Caffe2）
